《Discover Agriculture》：Recent advances and challenges in electronic nose technology for agricultural commodities and food quality assessment
编辑推荐：
摘要专业翻译
传统的农产品与食品质量分析方法，如色谱法和感官评价，往往成本高昂、耗时且需要专业人员操作，难以实现快速和大规模检测。电子鼻（Electronic nose，E-Nose）技术的出现提供了一种有前景的替代方案，它通过传感器阵列模拟人类嗅觉系统，识别
摘要专业翻译
传统的农产品与食品质量分析方法，如色谱法和感官评价，往往成本高昂、耗时且需要专业人员操作，难以实现快速和大规模检测。电子鼻（Electronic nose，E-Nose）技术的出现提供了一种有前景的替代方案，它通过传感器阵列模拟人类嗅觉系统，识别挥发性化合物并产生特征性响应模式。本综述考察了电子鼻系统在评估各类食品和农产品质量中的原理、演进及应用，涵盖鱼类、肉类、乳制品、茶、咖啡和食用油等品类。这些系统为现代食品加工行业提供了非破坏性和智能化的分析解决方案。其在污染物识别、新鲜度评估、真实性鉴别和发酵监测中的作用对现代食品加工至关重要。近年来，融合人工智能（artificial intelligence，AI）和机器学习（machine learning，ML）方法的进展显著提升了电子鼻系统的效能，使其具备卓越的模式识别、数据解释和精确预测能力，从而实现客观、准确的质量评估。尽管具有上述优势，传感器漂移、灵敏度不足、初始成本高昂以及复杂数据处理困难等因素仍阻碍着该技术的广泛采用。未来研究应着力于提升传感器稳定性、构建稳健的数据分析模型以及降低系统成本以促进规模化应用。总体而言，电子鼻技术有望通过为食品行业提供快速、非破坏性和智能化的分析方法，变革食品质量评估领域。
论文主体内容总结
1 引言
电子鼻（E-Nose）是一种模拟人类嗅觉的智能传感器阵列，现已被广泛应用于食品和农产品质量分析。该术语由Gardner和Bartlett于1988年提出，用于描述能够检测和分类挥发性化学物质的多种化学传感器组成的仪器。传统的气相色谱-质谱联用（Gas Chromatography-Mass Spectrometry，GC-MS）和感官评价小组方法虽然有效，但耗时、昂贵且依赖专业设备和人员，感官小组还受疲劳和主观性限制，可重复性有限。电子鼻系统由传感器阵列检测不同挥发性化合物并产生特征响应，所需样品处理时间短，不完全依赖人类感官评价。尽管在灵敏度和选择性方面仍面临挑战，该技术提供了快速检测、良好的可重复性以及与计算和基于AI的模式识别方法的简便集成。电子鼻系统的相关性随着对食品欺诈和真实性问题的日益关注而增强，微机电系统（micro-electromechanical systems，MEMS）集成带来的持续小型化使实时、现场可部署的质量评估日益实用和经济可行。本综述旨在全面考察电子鼻系统在各类食品和农产品中的原理、演进和应用，同时批判性评估当前制约工业采用的灵敏度、可重复性和现场部署障碍。
2 电子鼻的原理与工作方式
电子鼻是一种通过化学传感器阵列结合计算模式识别方法检测和识别挥发性有机化合物（VOCs）的分析仪器。典型的电子鼻系统集成10至50个独立传感单元，以及信号处理硬件和模式识别引擎。其工作通过四个集成功能组件实现：传感器阵列、采样系统、数据采集模块和模式识别引擎。传感器阵列是主要的换能元件，阵列中每个传感器对不同VOC子集产生响应，整体响应产生对特定气味唯一的多维化学指纹。金属氧化物半导体（Metal-Oxide-Semiconductor，MOS）传感器因宽灵敏度、长期稳定性和低成本主导商业电子鼻平台，而有机场效应晶体管（organic field-effect transistor，OFET）传感器在小型化和可穿戴应用方面日益受到关注。采样系统通过气流、被动扩散或主动泵送方式将气味样本可控且可重复地引入传感器阵列。数据采集模块将模拟传感器输出信号转换为适合计算处理的数字数据，包含模数转换器（ADCs）、信号放大器和接口硬件。模式识别引擎通过将处理后的传感器响应向量与已知气味指纹参考数据库训练的模型进行比较，对气味进行分类或定量。
数据处理涉及预处理、特征提取和分类的连续阶段。预处理通过归一化、基线校正、去噪和传感瞬态压缩等手段提高模型精度、增加样本间可重复性并减少传感器漂移或环境波动引入的方差。完整的处理流程包括采样、检测、分析和分类四个阶段。模式识别构成电子鼻的分析核心，方法分为适用于线性可分离响应的线性统计技术和处理复杂或重叠响应面的非线性机器学习方法。主成分分析（PCA）是最广泛使用的探索性技术，线性判别分析（LDA）用于有标记训练数据时的最大类别分离，偏最小二乘法（PLS）适用于定量VOC浓度的回归任务，软独立建模分类法（SIMCA）用于检测类外或新样本。人工神经网络（ANN）是电子鼻系统中的标准非线性分类器，卷积神经网络（CNNs）通过自动学习层次化时序特征在电子鼻时间序列信号中表现出优越性能，离散小波变换-长短期记忆（DWT-LSTM）架构结合小波去噪与序列建模，支持向量机（SVMs）在高维、有限样本条件下尤为有效。传感器阵列优化是电子鼻开发中的关键设计考量，通过特征选择方法识别产生最高识别精度的传感器子集和特征组合，消除无关和冗余传感器可提高精度并降低成本。
3 电子鼻的应用
电子鼻已在食品工业多个领域得到应用，包括食品安全与质量保证、酿造工业、畜禽和肉类加工、食用油认证、乳制品生产以及种植作物监测。
3.1 食品新鲜度
评估食品新鲜度历来是人类嗅觉系统的主要功能，电子鼻将此功能转化为客观、仪器化的形式。基于有机场效应晶体管（OFETs）的电子鼻系统可在细菌计数低至4×104 CFU g-1时检测腐败相关气体，比被认为不安全消费的阈值低两个数量级。集成气体采样和路径清洁模块与MOS传感器阵列的小型化电子鼻系统可监测冰箱内部环境的持续气味变化，实现无需取出样品的实时质量监控。基于CNN的电子鼻采用MEMS MOS阵列、CMOS电路和CNN分类器处理时间序列传感器数据，具有低功耗、高灵敏度和紧凑外形等优势。然而，冷藏环境中温度和湿度波动导致的传感器漂移使实际部署复杂化，需要重新校准协议和湿度补偿算法才能实现一致的现场精度。
3.2 肉类产品
肉类营养密集但降解迅速，客观的质量和货架期评估至关重要。一项分析鸭肉、牛肉及其组合的研究实现了83.3%的正确识别率，将电子鼻数据与傅里叶变换近红外（FT-NIR）光谱融合可显著提升预测能力。电子鼻单独也可检测新鲜猪肉中的鼠伤寒沙门氏菌和大肠杆菌，基于遗传算法特征选择的分类实现了r2=0.989。DWT-LSTM架构在监测牛肉质量的同时抑制影响标准电子鼻输出的信号噪声，在精度和稳健性方面均优于LDA、KNN和标准LSTM等传统方法。掺假识别率在83%左右虽具前景但不足以满足监管执法要求，传感器对非目标基质化合物（脂肪含量、调味料、包装气体）的交叉敏感性仍是需要针对每种肉类进行特定传感器选择和模型重新校准的局限。
3.3 酿造工业
电子鼻技术解决了传统啤酒质量评估的缺陷，感官小组主观且昂贵，气相色谱缓慢且成本高。配备9-13个MOS传感器的便携设备可检测关键挥发性物质（乙醇、甲烷、一氧化碳、硫化氢），与ANN结合时芳香化合物相关系数高达R=0.97。垂直堆叠传感器阵列结合二维卷积神经网络（CC-2DCNN）在啤酒认证中实现99.3%的准确率，为产品防伪提供了稳健解决方案。基于质谱（MS）的电子鼻系统通过偏最小二乘判别分析（PLS-DA）建模区分新鲜和陈化啤酒。SVM算法以90%的准确率对啤酒、杜松子酒、葡萄酒和威士忌进行分类。WiFi连接的便携单元可实现酿造过程中的在线质量监测。然而，长时间生产监测中的传感器漂移以及每种新啤酒配方需要重新训练模型仍是广泛采用的实际障碍。
3.4 食品掺假
超出允许限度的食品掺假对消费者健康构成严重危害。智能电子鼻（SE-Nose）系统通过样品切片窗口协议、归一化和基于综合数据集训练的模式识别模块实现掺假物的定性和定量检测，分类精度达99.996%，RMSE=0.02864。电子鼻结合SVM模型检测牛肉中的猪肉掺假，识别时间仅40秒，比传统方法缩短三分之一。与近红外光谱（NIR）、拉曼光谱、傅里叶变换红外（FTIR）、核磁共振（NMR）和激光诱导击穿光谱（LIBS）等成熟无损技术相比，电子鼻系统在富含VOC的基质中提供更快的结果和相当或更优的精度。电子鼻已应用于检测生牛奶中的植物油掺假和掺假红花籽油，MOS电子鼻结合GC-MS、ANN和SVM可快速识别芝麻油掺入大豆油或玉米油。但SE-Nose报告的超高精度通常在受控实验室条件和有限掺假物类型下获得，在多种掺假物、可变浓度和季节性VOC谱偏移引入训练数据未包含混杂因素的真实市场样本中性能会下降。
3.5 海产品分析
渔业部门经济意义重大，海产品快速变质使得分销链中的新鲜度评估至关重要。包含四个MOS传感器、两个电化学电池和一个光离子化检测器（PID）的便携电子鼻用于此目的。K近邻（KNN）和PLS-DA分类模型可从电子鼻数据对海产品种类和质量等级进行分类，其中KNN实现了100%的分类精度。专用虾鼻设备使用Softmax回归算法分析南美白对虾的质量和货架期，训练和验证精度分别达96.29%和95.73%。电子鼻还应用于表征大眼金枪鱼的香气属性，以及结合GC-IMS区分生熟中国淡水鱼种类。但受控研究中报告的100% KNN精度应谨慎解读，因为海产品VOC谱随储存温度、冰类型和物种批次显著变化，现场部署系统需要定期模型更新，在异构商业供应链中可能遭遇精度下降。
3.6 种植和水果作物评估
基于MOS传感器的低成本电子鼻（LC-e-nose）系统已从实验室规模仪器小型化为便携、现场可部署设备，使食品制造商能够评估咖啡和茶等种植和水果作物，支持现场质量控制。香气是新鲜农产品关键质量参数，VOC谱可作为疾病状态和生理状况的生物标志物。电子鼻能够在可见症状出现前识别植物在发病过程中释放的特征性挥发性化学物质。多层感知器神经网络（MPNN）预测猕猴桃软腐病的验证和训练集精度分别为87.50%和90.91%，优于Fisher判别分析和径向基函数神经网络（RBFNN）。配备四个MOS传感器和电化学传感器、结合PCA和网格搜索优化SVM（GS-SVM）的电子鼻检测草莓轻微机械损伤的精度为0.84。但低成本电子鼻在现场条件下面临温度变化、风稀释挥发性羽流和共存植物VOC干扰等挑战，症状前早期病害检测精度仍有限，低于91%的MPNN精度可能不足以支持商业采后决策。
3.7 食用油
电子鼻系统通过分析复杂VOC谱检测橄榄油和芝麻油等优质油中的掺假物。基于ANN的分类器实现了超过97%的分类效率，显著超过传统化学方法。人造黄油掺入牛酥油可通过特征性VOC模式偏移识别。醛类和酮类等次级氧化挥发性物质的原位检测可实现油降解评估。电子鼻系统在按果味强度分类特级初榨橄榄油时实现92%的灵敏度。该技术可监测油脂精炼和提取过程中的关键挥发性标志物，实现提高生产一致性的实时质量控制。但传感器在长时间暴露于高粘度脂质基质下的稳定性是公认的局限，油蒸气在传感器表面的冷凝可导致不可逆污染。
3.8 乳制品工业
传统乳制品质量监测的感官小组和色谱方法往往耗时、依赖操作人员且成本高昂。电子鼻技术通过传感器阵列结合模式识别算法复制嗅觉功能，提供更快、非破坏性和经济实惠的替代方案。许多乳制品电子鼻研究使用小样本集和单一传感器平台，传感器漂移尤其在长期奶酪成熟监测中影响导电聚合物（CP）阵列。地理来源分类90-100%的精度仅在受控实验室间比较中得到验证，商业条件下的真实产地认证尚未在大规模范围内得到验证。
3.9 咖啡和茶工业
配备MOS传感器并结合PCA、径向基函数（RBF）网络和自组织映射（SOM）的电子鼻在区分发酵和烘焙条件不同的茶叶样品时实现了近乎完美的分类。将电子鼻与电子舌和电子眼仪器集成可实现对茶叶产地、等级和发酵程度的高精度综合分类。电子鼻已成为评估咖啡香气质量和检测微生物污染的重要工具，ANN分类模型区分烘焙程度和地理来源的精度超过90%，系统还能识别由霉菌或不良采后加工引起的气味偏差。结合电子鼻和电子舌数据通过化学计量学方法分析可实现咖啡种类和烘焙特征的稳健区分。但电子鼻在茶和咖啡应用中的精度对烘焙和发酵批次变异性高度敏感，跨生产地点和收获季节的模型可迁移性尚未系统评估。
4 电子鼻与传统方法的比较评估
电子鼻系统的效率通常通过分类精度、灵敏度、特异性、R2系数和均方根误差（RMSE）等统计指标量化。在咖啡分类中，电子鼻技术获得81.1%至95.5%的分类精度；在葡萄酒分类实验中，SLDA和PLS分别产生86%和85%的分类精度；在柑橘汁分类实验中，电子鼻可准确分类多种果汁并正确识别被错误分类的商业果汁。电子鼻传感器阵列能够检测复杂挥发性食品组分混合物，与人类嗅觉系统相关性良好，灵敏度范围从ppt到ppm。其优点包括分析时间短、无感官疲劳、无需高技能工人即可轻松训练和操作、最少或无需样品制备、低危害性、非侵入性。但同时存在水和酒精存在下灵敏度损失、缺乏绝对校准、某些传感器寿命短以及无法获得香气差异定量数据等局限。传感器漂移是由老化和污染引起的重要限制，导致可重复性降低和模型不稳定，需要频繁重新校准。电子鼻对湿度敏感，MOS传感器对环境因素响应强烈。模型过度拟合导致实验室条件下精度优异但实际应用中效率低下。电子鼻缺乏由小组成员组成的感官分析，难以进行完整分析。传感器需要在400°C高温和受控实验条件下运行。在现实应用中，高成本、维护需求和受控环境要求阻碍大规模工业使用。校准是主要隐性成本，频繁重新校准增加成本和停机时间。监管接受仍是关键障碍，食品质量决策需要可追溯性、可重复性和验证性能。总体而言，电子鼻技术最适合作为补充性筛查和监测工具，而非替代GC-MS、HPLC或感官小组等传统分析方法，其核心价值在于快速、低成本、非破坏性的预筛查，识别需要确证性测试的样品，从而减轻较慢参考技术的负担。
